作物全基因组选择育种技术研究进展

作物全基因组选择育种技术研究进展

引用

搜狐

1.

https://www.sohu.com/a/771883960_121124027

作物全基因组选择育种技术（Genomic Selection，GS）是近年来在动植物育种领域发展起来的一项前沿技术。该技术通过利用覆盖全基因组的分子标记和样本的表型数据建立预测模型，实现对育种群体的高效和精确选择。与传统的分子标记辅助选择育种相比，GS育种无需进行标记显著性测验，特别适用于由微效多基因控制的数量性状，可以显著缩短育种周期并降低育种成本。

近日，扬州大学农学院徐辰武教授团队在《生物技术通报》上发表综述文章《作物全基因组选择育种技术研究进展》，系统分析了影响作物GS功效的主要因素，并从非加性效应模型、群体构建方案、多性状与多环境预测、多组学预测和育种芯片技术现状等方面阐述了GS技术在作物育种中的研究进展。

全基因组选择方法概述

全基因组选择方法主要包括三类：

1. 线性模型及其扩展：如BLUP（最佳线性无偏预测）和RR-BLUP（Ridge Regression-BLUP）等。
2. 贝叶斯方法：如BayesA、BayesB、BayesCπ等。
3. 机器学习方法：如支持向量机（SVM）、随机森林（RF）、神经网络（NN）等。

全基因组选择功效的影响因素

影响GS功效的因素主要包括遗传因素和非遗传因素两大类：

• 遗传因素：包括遗传力、标记密度、群体结构等。
• 非遗传因素：如环境效应、基因-环境互作等。

全基因组选择方法的拓展

为了提高GS的预测准确性，研究者们在多个方面进行了拓展：

1. 非加性效应模型研究：考虑显性效应和上位性效应。
2. 群体构建方案研究：优化训练群体的构建策略。
3. 多性状和多环境预测研究：同时预测多个性状和多个环境下的表现。
4. 多组学预测研究：整合基因组、转录组、代谢组等多组学信息。

全基因组选择育种芯片研发现状

目前，GS育种专用芯片的研发仍处于初级阶段，存在数据共享程度低、配套软件和平台缺乏等问题，这些都限制了GS效率的进一步提高。

全基因组选择育种展望

GS育种技术的逐渐成熟和广泛应用为作物育种研究提供了新的机遇。通过将GS技术与重要目标性状基因的精准鉴定结果相结合，有望大大加快优异基因聚合的效率，并创制出更加丰富的遗传资源。尤其针对我国作物育种群体遗传来源较为狭窄的问题，利用基因组水平上的精准预测，能够帮助育种家放眼更广泛来源的种质材料，通过精确预测和育种方案的科学设计，聚合更多的有利等位基因，以创建作物的优异育种新材料。

然而，GS技术在作物育种中的应用仍然面临诸多挑战：

1. 一般的GS方法只考虑加性效应，对显性及上位性等效应的预测效果还不够理想。
2. 大多数GS研究只针对特定环境下特定作物群体的单个性状，忽视了关联性状共同的生物学基础以及多性状的协调发展，且缺乏详细的环境组学数据，难以实现对基因环境互作模式的识别与利用。
3. 多数GS研究只用到基因组信息，多组学信息和研究成果没有得到充分利用。
4. 缺少GS育种专用芯片以及配套软件和平台，数据共享程度低，限制了GS效率的提高。
5. 作物领域中已有的GS研究很多停留在方法探索阶段，未能广泛付诸于实际的育种工作。

针对上述问题，未来的研究方向包括：

1. 结合已有的生物学和遗传学研究成果，开发与基因组信息特征相适应的降维方案，降低模型中的变量数目，同时应用人工智能领域中的先进算法，提高对各类非加性遗传效应的准确预测。
2. 广泛收集表型、基因型和环境数据，并对模型进行优化，注重作物多个性状之间的协调发展，识别并利用基因环境互作模式，提高选择的增益和可靠性。
3. 结合人工神经网络，机器学习等最新的数学方法，积极开展作物多组学预测研究，构建多组学信息与目标性状之间的数量遗传模型，提高多组学联合预测的效果。
4. 构建GS专用芯片和统一的GS平台，实现群体之间的信息共享与利用，提高数据的利用率。
5. GS研究必须结合农业发展的实际情况与切实需求，让理论和方法研究更好地服务于实际育种工作，为培育适应机械化生产、优质高产多抗广适作物新品种提供高效途径。

随着作物育种精准化和智能化的需求不断提升，以及基因组学和人工智能技术的快速发展，未来的GS研究工作充满了机遇和挑战。